摘要
人体运动预测，即根据观察到的姿势序列预测未来的身体姿态，通常使用循环神经网络（RNNs）来解决。然而，先前的研究表明，由此产生的RNN模型存在预测误差累积的问题，导致运动预测中出现不希望的不连续性。在本文中，我们提出了一种用于运动预测的简单前馈深度网络，该网络同时考虑了时间平滑性和人体关节之间的空间依赖关系。在此背景下，我们建议通过在轨迹空间而不是传统使用的姿势空间中工作来编码时间信息。这使我们免去了手动定义时间依赖范围（或时间卷积滤波器大小，如先前研究所做的）。此外，通过将人体姿态视为由每对身体关节之间的连接形成的一般图（而非人类骨骼运动学树），我们对人类姿态的空间依赖性进行了编码。我们设计了一种新的图卷积网络来自动学习图的连通性，而不仅仅是使用预定义的图结构。这使得网络能够捕捉到超出人类运动学树范围的长距离依赖关系。我们在多个标准基准数据集上评估了我们的方法，包括Human3.6M、CMU动作捕捉数据集和3DPW。实验结果清楚地表明，所提出的 方法达到了最先进的性能，并且适用于基于角度和基于位置的姿态表示。代码可在 https://github.com/wei-mao-2019/LearnTrajDep 获取。